CPP-DIP: Multi-objective Coverage Path Planning for MAVs in Dispersed and Irregular Plantations

要約

カバレッジパス計画（CPP）は、効率とリソースの利用を改善するために、精密な農業において不可欠です。
不規則で分散したプランテーションでは、伝統的なグリッドベースのCPPは、しばしば、非植生地域で冗長なカバレッジを引き起こし、廃棄物と汚染につながります。
これらの制限を克服するために、マイクロエアビークル（MAV）向けに設計された多目的CPPフレームワークであるCPP-DIPを提案します。
このフレームワークは、CPPタスクを巡回セールスマンの問題（TSP）に変換し、移動距離を最小限に抑え、角度を回す、交差するカウントを最小限に抑えます。
従来のアプローチとは異なり、私たちの方法はGPSベースの環境モデリングに依存していません。
代わりに、空中画像と、配向勾配（HOG）ベースのアプローチのヒストグラムを使用して、木を検出し、画像座標を抽出します。
密度認識ウェイポイント戦略が適用されます。カーネル密度推定（KDE）は、密な地域の冗長なウェイポイントを減らすために使用されますが、貪欲なアルゴリズムはまばらな領域で完全なカバレッジを保証します。
フレームワークの一般性を検証するために、貪欲なヒューリスティック挿入（GHI）、ANTコロニー最適化（ACO）、およびモンテカルロ補強学習（MCRL）の3つの異なる方法を使用して、結果のTSPを解決します。
次に、結果のパスをさらに改善するために、オブジェクトベースの最適化が適用されます。
さらに、CPP-DIPは、正確なツリーのローカリゼーションと追跡のために、昆虫にインスパイアされたナビゲーション法であるForanavを統合します。
実験結果は、MCRLがバランスの取れたソリューションを提供し、GHIと同様のパフォーマンスを維持しながら、ACOと比較して移動距離を16.9％減らすことを示しています。
また、ACOとGHIと比較して、回転角度をそれぞれ28.3％と59.9％減少させることにより、パスの滑らかさを改善し、交差点を効果的に排除します。
これらの結果は、異なるTSPソルバーのCPP-DIPの堅牢性と有効性を確認します。

要約(オリジナル)

Coverage Path Planning (CPP) is vital in precision agriculture to improve efficiency and resource utilization. In irregular and dispersed plantations, traditional grid-based CPP often causes redundant coverage over non-vegetated areas, leading to waste and pollution. To overcome these limitations, we propose CPP-DIP, a multi-objective CPP framework designed for Micro Air Vehicles (MAVs). The framework transforms the CPP task into a Traveling Salesman Problem (TSP) and optimizes flight paths by minimizing travel distance, turning angles, and intersection counts. Unlike conventional approaches, our method does not rely on GPS-based environmental modeling. Instead, it uses aerial imagery and a Histogram of Oriented Gradients (HOG)-based approach to detect trees and extract image coordinates. A density-aware waypoint strategy is applied: Kernel Density Estimation (KDE) is used to reduce redundant waypoints in dense regions, while a greedy algorithm ensures complete coverage in sparse areas. To verify the generality of the framework, we solve the resulting TSP using three different methods: Greedy Heuristic Insertion (GHI), Ant Colony Optimization (ACO), and Monte Carlo Reinforcement Learning (MCRL). Then an object-based optimization is applied to further refine the resulting path. Additionally, CPP-DIP integrates ForaNav, our insect-inspired navigation method, for accurate tree localization and tracking. The experimental results show that MCRL offers a balanced solution, reducing the travel distance by 16.9 % compared to ACO while maintaining a similar performance to GHI. It also improves path smoothness by reducing turning angles by 28.3 % and 59.9 % relative to ACO and GHI, respectively, and effectively eliminates intersections. These results confirm the robustness and effectiveness of CPP-DIP in different TSP solvers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google